أطلق مختبر Infini-AI-Lab Hermit، وهو إطار عمل مفتوح المصدر لتكيف الـ harness لعملاء الذكاء الاصطناعي. صدرت نسخته الأولى v0.1.0 في 25 أكتوبر 2026، وأعلن عنها الباحث هايزونغ تشينغ، الباحث ما بعد الدكتوراه في جامعة كارنيغي ميلون، على منصة X في 27 أكتوبر. الهدف المعلن موجه للمطورين: تكيف عملاء مثل Codex أو Claude Code لمهام جديدة، دون إعادة تدريب النموذج أو تعديل الـ harness.
محول خارجي بدلاً من نموذج معدل
يقوم Hermit بتدريب محول harness، أي مكون خارجي قابل للتدريب يتم إلحاقه بعامل موجود. يشير مصطلح harness هنا إلى مجموعة التعليمات والأدوات والقواعد التي تحكم عمل العامل. يبقى النموذج الأساسي والـ harness كما هما دون تغيير. يمكن أن يحتوي المحول على تعليمات، ومهارات قابلة لإعادة الاستخدام، وذاكرة، وأدوات، وشفرة قابلة للتنفيذ، بل وحتى منطق تنسيق عدة عملاء، ويمكن أن يأتي حتى على شكل مستودع كامل.
وفقًا للفريق، فإن هذا الاختيار يستجيب لثلاثة أسباب. العديد من أنظمة الـ harness مغلقة، وقد تؤدي التعديلات على نظام harness مفتوح إلى تعطيل تفاعلات مضبوطة بعناية، ويمكن نقل محول مدرب بين نماذج وأنظمة harness متوافقة. على عكس محول النموذج مثل LoRA، الذي يعدل النموذج نفسه، فإن هذا المحول يعمل على العامل.
حلقة تدريب من خمس مراحل
يعتمد Hermit على حلقة تدريب من نوع التعلم المعزز. يقوم المدرب بتنفيذ مجموعة من المهام بواسطة العامل باستخدام المحول الحالي، ثم يحكم بتقييم النتائج. يقرأ المطور المسارات والملاحظات، ويقترح محولًا جديدًا. يتحقق المدرب من هذا الاقتراح مقابل قالب، قبل تسجيله كنسخة تالية.
يتم تخزين كل نسخة في شجرة git، مما يسمح بفحصها، أو العودة إلى نسخة سابقة، أو نشر أي منها. يمكن تنفيذ برامج التعلم في بيئة معزولة، والتي تتطلب نظام Linux مع bubblewrap. تتوفر خمس طرق للتطوير: GEPA و SkillOpt و MetaWorld Model (MWM) و Harness² و Continual Harness. من المقرر أن تصبح ACE و ReHarness متاحتين قريبًا، ويمكن للمستخدمين كتابة مطورهم الخاص.
نتائج معلنة ذاتيًا
جميع الاختبارات المقدمة تستخدم GLM 5.3 Flash كنموذج عامل. الأرقام مأخوذة من ملفات README للأمثلة في المستودع وهي معلنة ذاتيًا. على OfficeQA، الذي يطرح 172 سؤالًا حول النشرات الخزانة الأمريكية بمعيار مطابقة تامة، تتحسن الدقة من 0.541 بدون محول إلى 0.651 لـ Harness². على CL-Bench، تصل MWM إلى 0.795 في استكشاف قاعدة البيانات، مقابل 0.580 للمرجعية التعليمية في السياق. على ServeLearnBench، الذي يتعامل مع 624 طلب دعم في إطار سياسة مخفية، تحصل MWM على 45.3، مقابل 28.7 لـ CH و 89.2 لـ oracle الذي يعرف السياسة. تم إجراء تشغيل واحد فقط لهذا الاختبار الأخير، ومعظم النتائج المنشورة هي أيضًا من تشغيل واحد.
من ناحية النشر، يتم تثبيت Hermit باستخدام pip install hermit-harness. تكتب أمر hermit deploy مساحة عمل لـ Codex أو Claude Code أو Pi، بينما يقوم hermit convert بتصدير محول مدرب كإضافة أصلية لـ Codex أو Claude Code أو Pi أو Hermes. يتم تحديد النماذج بالشكل /، بما في ذلك Fireworks و OpenAI و Anthropic و DeepSeek و vLLM و SGLang و Ollama. يعرض المستودع أيضًا محول تعاون لـ Lean، والذي ينسق خمسة عملاء Codex مكلفين معًا بإثبات نفس النظرية.
